AI与世界难题 ─ 地球与气候科学
AI推动的科学与学术进展(按学科)
RSS订阅源 · 5 条
用 AI 预测临界点
原标题: Forecasting Tipping Points with AI
临界点（系统越过后便无法恢复到原始状态）比短期天气变化更难预测。一个由加州理工学院牵头的团队表明，循环神经算子（RNO）这类神经网络可以在简单模型中预测临界点何时出现，这些模型包括气候变化系统模型以及飞机机翼上方湍流气流的模拟。该论文发表于《PNAS》。
利用机器学习推进次季节预报
原标题: Advancing subseasonal forecasting with machine learning
在未来 2 到 6 周的次季节时间尺度上，预报技巧会急剧下降。作者提出了概率偏差校正这一机器学习框架，它学习校正历史概率预报，并将其应用于 ECMWF 领先的动力模型和 AI 模型。它使 AI 预报系统原本有限的次季节技巧提高了一倍，并改进了动力模型对大多数气压、温度和降水目标的预报；在 ECMWF 2025 年实时竞赛中，其全球预报表现最佳。
预测电网面临的空间天气风险
原标题: Forecasting space weather risks on power grids
极端空间天气事件可在输电网络中感应出电流，损坏设备，电网运营商需要提前获得足够的预警，了解影响何时何地最为严重。微软研究院构建了一条机器学习流程，结合太阳风数据、AE 和 Dst 预报、当地纬度、地质和地面电导率，为美国本土 66,935 座变电站生成风险估计。在评估期内，它检测到了近 80% 的重大空间天气事件，并能在特定风险出现前 30 到 60 分钟向运营商发出预警。
用于绘制小农户作物分布图的AI工具在塞内加尔证明了其有效性
原标题: AI tool for mapping smallholder crops proves itself in Senegal
塞内加尔的小型雨养农场使大部分人口暴露于气候冲击之下，但卫星作物制图工具在当地基本无法获得。剑桥大学的研究人员使用基于卫星图像训练的开源AI模型Tessera，绘制了塞内加尔花生产区的作物分布图。在测试中，它给出正确结果的比例为84%，比现有方法更准确，同时仅使用了一小部分计算资源和标注数据。在某一场景中，它的表现比次优模型高出28%。
利用概率机器学习从气候模型进行区域气候风险评估
原标题: Regional climate risk assessment from climate models using probabilistic machine learning
气候模型的分辨率过于粗糙，无法支撑区域风险决策，而现有的降尺度方法对于大型集合而言成本过高、会遗漏多变量依赖关系，或者需要时间对齐的训练配对数据，而自由运行的预测并不具备这类数据。GenFocal是一种生成式AI框架，无需配对训练数据即可从粗分辨率预测中生成统计上准确的精细尺度天气。它能够合成热浪和热带气旋等持续时间长的灾害，比领先方法更准确地对罕见的高影响事件进行采样，并改进对复合极端事件的区域估计。